模糊算法基本原理范文

模糊算法基本原理篇1

关键词:计算智能;人工神经网络;模糊系统;遗传算法;免疫算法

中图分类号:TP18 文献标识码:A文章编号:1009-3044(2010)09-2207-04

Overview of the Main Algorithm for Intelligent Computing

ZHOU Hong-mei

(Huaihua Technical School, Huaihua 418000, China)

Abstract: In order to resolve some problems that the traditional intelligent method can not breakthrough,and promote the process of intelligentizing machines, Computational Intelligence is presented.The development of Computational Intelligence has given rise to considerable concerns in the machine intelligence field.This paper summarizes several main Computational Intelligence algorithms'developing process,analyzes its'basic theories,and simply introduces its'characters and practical applications.At last,the paper looks ahead the direction of Computational Intelligence's advance.

Key words: computational intelligence; artificial neural network; fuzzy system; genetic algorithm; immune algorithm

众所周知,人们对于生活中遇到的各种复杂的情况可以不假思索的做出决策判断,然而这对于先进的电子计算机却相当的困难,这是由于电子计算机的体系结构所决定的。要想使电子计算机具有较强的形象思维能力,必须突破冯・诺依曼的体系结构,另辟蹊径。近年来,随着人工智能应用领域的不断扩展,传统的基于符号处理机制的人工智能方法碰到的问题越来越突出,特别是在知识表示、处理模式信息及解决组合爆炸等方面[5]。因此,寻求一种适合大规模并行且具有智能特征如自适应、自学习、自组织等的算法已经成为有关学科的一个研究目标。计算智能(CI,Computational Intelligence)在这种背景下应运而生。

早在1988年,计算智能这个概念是加拿大的一本刊物的名字。1992年,美国学者James C.Bezdek在论文《计算智能》中将智能分为生物智能(BI,Biological Intelligence)、人工智能(AI,Artificial Intelligence)和计算智能(CI,Computational Intelligence)三个层次,并讨论了人工智能与计算智能的区别[1]。CI的主要处理对象是应用人员提供的数据材料,包括数字、信号等,它并不依赖于知识;而AI则必须用知识进行处理各种数据信息。计算智能的目标是模仿人的智能,包括模拟人脑的结构和模仿人脑的逻辑思维。

目前主要的计算智能方法有人工神经网络(ANN,Artificial Neural Network)、模糊逻辑(FL,Fuzzy Logic)、进化算法(EA,Evolution Algorithm)、免疫算法(IA,Immune Algorithm)、人工内分泌系统(AES,Artificial Endocrine System)、模拟退火、禁忌搜索算法、粒子群算法、蚁群算法等。其中进化算法又包括遗传算法(GA, genetic algorithm)、进化规划(EP, evolution plan)、进化策略(ES, evolution strategy)。本文分别从算法的产生和发展、算法的基本原理、算法的特点及其应用和发展趋势等方面对几种具有代表性的计算智能算法进行了总结和分析,希望能让读者对计算智能的发展有一个大致的了解。

1 人工神经网络

1.1 人工神经网络的发展

人工神经网络(Artificial Neural Network,ANN)是脑科学、神经心理学和信息科学等多学科的交叉研究领域,是近年来高科技领域的一个研究热点。它的研究目标是通过研究人脑的组成机理和思维方式,进而通过模拟人脑的结构和工作模式使机器具有类似人类的智能。人工神经网络的发展已有60多年的历史。早在1943年,美国心理学家McCulloch和数学家Pitts联合提出了形式神经元的数学模型,即经典的M-P模型,从此开创了神经科学理论的新纪元。其后,Rosenblatt、Widrow和Hoff等学者又先后提出了感知器模型[1,3],使得人工神经网络技术得以蓬勃发展。20世纪六七十年代是人工神经网络发展的低谷期,直到1982年加州大学的物理学家Hopfield提出了Hopfield网络模型并用电路实现,人工神经网络的研究重新进入了兴盛时期。

1.2 人工神经元的工作过程

人工神经网络是由大量处理单元经广泛互连而组成的人工网络,用来模拟人脑神经系统的结构和功能。而这些处理单元称为人工神经元。人工神经元的形式化模型种类很多,最常见的有M-P模型、线性加权模型和阈值逻辑模型。下面通过M-P模型来简单的介绍人工神经元的工作过程。图1为M-P神经元模型图。

人工神经网络中的每一个神经元都可以接受一组来自该网络中其他神经元的输入信号,并且每个输入信号有一定的强度,用连接权值来表示,所有输入信号的加权和决定该神经元的激活状态。假设来自其他处理单元(神经元)i的输入信息为xi,它们与该处理单元的相互作用强度即连接权值为wi(i=0,1,...,n-1),处理单元的内部阈值为θ 。那么该处理单元的输入为:,输出为:。此式中f 称为激发函数或作用函数,它决定了神经元的输出。该输出为1或0取决于其输入和大于或小于内部阈值θ 。激发函数一般具有非线性特性。常用的非线性激发函数有阈值型、分段线性型、Sigmoid函数型(简称S型)和双曲正切型[3]。

1.3 人工神经网络的应用

人工神经网络能较好的模拟人的形象思维,对信息具有很好的隐藏性,还具有容错性强、鲁棒性强和自学习性强等特点,是一个大规模自组织、自适应且具有高度并行协同处理能力的非线性动力系统。人工神经网络理论的应用已经渗透到各个领域[2]。

信息处理领域:包括信号处理、模式识别和数据压缩等方面的应用。

自动化领域:包括系统辨识、神经控制器和智能检测等方面的应用。

工程领域:包括在汽车工程、军事工程、化学工程和水利工程等方面的应用。

经济领域:包括在微观经济领域的应用、在宏观经济领域的应用、在证券市场中的应用、在金融领域的应用和在社会经济发展评价和辅助决策中的应用。

医学领域:包括检测数据分析、生物活性研究和医学专家系统等应用。

2 模糊系统

2.1 模糊理论的发展

模糊概念在生活中普遍存在,如“高”,“大”等。这些模糊概念蕴含了许多不确定信息,人脑可以很容易的通过这些不完整不精确信息做出判断和决策。然而,对于精确的电子计算机而言,处理含糊不清的信息却是相当困难的。基于这个原因,美国控制论专家扎德(Zadeh.L.A)于1965年提出了模糊集合的概念,发表了开创性论文《模糊控制论(Fuzzy sets)》,为模糊系统的研究奠定了坚实的基础。1973年,扎德教授又提出了模糊逻辑(Fuzzy Logic)的理论,并积极倡导将模糊理论向人工智能方向发展。经过众多研究者的不断努力,模糊逻辑理论已经得到进一步发展,并在专家系统不确定推理模型的设计中显示了很强的生命力。另一方面,模糊理论在学术界也得到了普遍的认同和重视。1992年IEEE召开了第一届关于模糊系统的国际会议(FUZZ-IEEE),1993年IEEE创办了专刊IEEE Transaction on Fuzzy System。当前,模糊理论和应用正在向深度和广度进一步发展,发展的速度越来越快,涌现出了大量的研究成果,已经成为了世界各国高科技竞争的重要领域之一。

2.2 模糊系统的原理

模糊系统(Fuzzy System, FS)基于模糊数学理论,能够对事物进行模糊处理。模糊数学基础包括模糊集合、模糊逻辑、模糊规则、模糊推理和隶属度等。在模糊系统中,元素与模糊集合之间的关系是不确定的,即在传统集合论中元素与集合“非此即彼”的关系不适合模糊逻辑。元素与模糊集合的隶属关系是通过隶属度函数来度量的。当一个元素确定属于某个模糊集合,则这个元素对该模糊集合的隶属度为1;当这个元素确定不属于该模糊集合时,则此时的隶属度值为0;当无法确定该元素是否属于该模糊集合时,隶属度值为一个属于0到1之间的连续数值。在模糊系统中,知识是以模糊规则的形式存储的,如:IF E THEN H (CF, λ ),其中E表示模糊规则的条件,H表示模糊规则的结论,它们都是模糊的。CF表示这个规则的可信度,它既可以是一个确定值,也可以是模糊数或语言值,λ 是阈值,用于确定这条知识是否能被应用。模糊推理引擎运用这些模糊规则进行模糊逻辑推理,完成对不确定性问题的求解。图2是模糊系统的基本结构图。

2.3 模糊系统的应用

模糊系统能够很好处理人们生活中的模糊概念,清晰地表达知识,而且善于利用学科领域的知识,具有很强的推理能力。模糊系统主要应用在自动控制、模式识别和故障诊断等领域并且取得了令人振奋的成果,但是大多数模糊系统都是利用已有的专家知识,缺乏自学习能力,无法对自动提取模糊规则和生成隶属度函数。针对这一问题,可以通过与神经网络算法、遗传算法等自学习能力强的算法融合来解决[9,16]。目前,很多学者正在研究模糊神经网络和神经模糊系统,这是对传统算法研究和应用的创新。

3 遗传算法

3.1遗传算法的基本原理

遗传算法(Genetic Algorithm,GA)是在20世纪六七十年代由美国Michigan大学的Holland教授及其学生和同事共同发展起来的,是一种模拟生物界的自然进化规律而形成的一种基于全局的直接优化搜索算法,是一种进化算法。

遗传算法的基本思想源于达尔文(C.R.Darwin)的进化论和孟德尔(G.J.Mendel)的遗传学说。达尔文进化论的最基本原理是适者生存。在生物进化的过程中,只有那些能适应环境的一些个体特征才能得以保留。遗传学说的最基本原理是基因遗传原理,遗传以基因的形式包含在染色体中,每个基因产生的个体对环境具有某种适应性。基因突变和基因杂交可以产生更适应于环境的后代。经过存优去劣的自然选择,适应性高的基因结构得以保存[3]。

遗传算法用“染色体”来表示问题的解。在执行遗传算法之前,首先给定一个“染色体”群,称为假设解。然后,把这些假设解置于问题的“环境”之中,通过适者生存原则,选择对环境适应度高的“染色体”进行复制,交换和突变等操作。如此逐代进化,最后算法收敛到一个适应度最高的“染色体”,此为问题的最优解。图3为遗传算法的基本流程图。

3.2 遗传算法的特点

遗传算法是一个不断寻找最优点的过程,它始终让整个群体保持进化状态。与传统优化方法比较,遗传算法主要有以下几个特点。

智能性:遗传算法具有自适应、自组织和自学习性等。在求解问题时,在确定编码方案、适应度函数和遗传算子之后,算法将根据自然选择的策略自组织进行搜索。

并行性:遗传算法的操作对象是一个可行解集合,而非单个可行解。它采用同时处理多个可行解,基于全局搜索优化[14]。这使得遗传算法减少了陷入局部最优解的可能性,同时体现了遗传算法良好的并行性。

不确定性:遗传算法的主要步骤都含有随机性,如交换操作、突变操作等,因此在算法的搜索方向具有很大的不确定性[4]。

通用性:遗传算法的处理对象不是参数本身,而是对参数集进行了编码的个体。这种编码操作,使得遗传算法可直接对结构对象进行操作[15];同时,该算法只需要适应度函数来评估个体,无需其他辅助信息。以此,它几乎可以处理任何问题。

作为一种搜索算法,遗传算法在各种问题求解和应用中展现出了它的特点和魅力,同时也暴露出了不足和缺陷。由于遗传算法的处理对象是编码的个体,因此编码方式很大程度上影响了算法的效率和结果;算法本身参数的设置无法定量表示;对于数量较大的群体,算法的收敛速度慢等。目前出现了很多基于上述问题的遗传算法的改进算法[10],如一种快速收敛的遗传算法,通过改变初始化群体的生成方式,较好地解决了算法收敛速率的问题。

3.3 遗传算法的应用

由于遗传算法具有的优点众多,因此其应用范围也极其广泛。遗传算法主要应用于神经网络、模式识别、组合优化、机器学习、图形处理等。下面介绍遗传算法作为一种机器学习技术在分类系统中的应用。

遗传算法在分类系统中主要是对分类系统中的分类器[3],即规则进行学习,用以产生更好的分类规则。其主要步骤如下:

1)根据分类器(规则)的适应度成正比的概率,选择复制出N个规则。

2)对选出的规则,利用遗传算法中的遗传操作(交叉、突变),重新生成N个新规则。

3)用产生的“后代”(新规则)取代分类器中适应度小的规则。

当一次遗传算法学习过程结束之后,如果得到群体中的规则和其父代完全相同,且各规则的适应度值已连续多次保持不变,则认为算法收敛,学习过程结束。

4 免疫算法

4.1 免疫算法的发展

1974年,诺贝尔奖得主,生物学家、医学家、免疫学家Jerne提出了免疫系统的第一个数学模型,为免疫算法的研究奠定了基础。之后Farmer,Perelson,Bersini,Varela等学者先后于1986年,1989年和1990年发表了相关论文,为免疫算法在实际工程中的应用做出了突出贡献,同时他们的研究工作为建立基于免疫理论的计算系统和智能系统开辟了道路。目前,免疫算法已经成为国际智能计算领域关注的热点和前沿课题。2002年,IEEE Transaction on Evolution Computation首次出专刊报到了有关人工免疫系统(Artificial Immune System)的研究进展。在国内,免疫优化算法的理论研究和应用具有鲜明的特色。中国科学技术大学王煦法教授在国内较早开展对免疫优化算法方面的研究,并把它应用到了人工生命和硬件领域。西安电子科技大学焦李成教授提出了比较完备的免疫克隆算法的理论基础以及一些改进算法,并较早地在国际上创造性地提出了免疫算法与遗传算法的结合――免疫遗传算法[6,13]。免疫算法正以朝气蓬勃的姿态发展。

4.2 免疫算法基本原理

免疫是生物体的特异性生理反应。生物免疫系统由具有免疫功能的器官、组织、细胞和免疫效应分子及其基因组成,通过分布在全身的各类淋巴细胞识别和清除侵入生物体的抗原性异物。当抗原入侵生物免疫系统时。首先与抗原亲和力高的抗体受刺激产生克隆和高频变异,生成新抗体种类,然后亲和力更高的抗体结合抗原后引起更强的反应,经过不断循环筛选出匹配抗体。人工免疫系统就是研究、借鉴和利用生物免疫系统的原理和机制发展起来的处理各种工程问题和信息计算问题的智能系统。免疫算法是基于免疫系统的学习算法,它具有良好的应答性和主动性,善于学习记忆,具有较强的模式分类能力。尤其在处理多模态问题时体现出了较高的智能性和鲁棒性。下面简单介绍一般免疫算法的原理。

首先,要对所求问题进行分析,找出待求解的目标函数,把它看成是生物免疫系统中的抗原,把问题的优化解看成是生物系统中的抗体,问题解的正确性或匹配性用抗体和抗原的亲和力来表示。亲和力指抗原和抗体的识别程度或者两个抗体之间的相似度,一般亲和力的公式为:,其中tk为抗体与抗原的结合强度,结合强度可以有各种距离公式求得,如欧几里得距离(ED,Euclidean distance),曼哈坦距离(MD,Manhattan distance)和明考斯基(MD,Minkowski distance)等。

免疫算法的流程如图4所示。免疫算法的步骤如下:

1)抗原的识别,免疫系统确定是否抗原入侵;

2)产生初始化抗体,同时激活记忆细胞,利用先前记忆的抗体消除先前出现过的抗原;

3)计算亲和力。计算所有抗体与入侵抗原的亲和力,选择亲和力最大的抗体,即它对入侵抗原的抵抗力最强,这是一个选择过程;

4)记忆细胞分化,把亲和力最大的抗体加给记忆细胞,以便抵御相同的抗原再次入侵;

5)抗体的促进和抑制;

6)抗体的产生,也就是问题优化解的产生。

4.3 免疫算法的应用进展

免疫系统是一种新型仿生智能算法,综合了分类器、神经网络和机器推理等学习系统的优点,是一种突现计算。免疫算法具有全局优化、鲁棒性强、并行性高和智能度高等特点[7],主要应用于计算机网络安全、智能控制和优化计算等领域[12]。此外,免疫算法在数据挖掘与分析、机器学习和异常与故障检测等方面取得了很大进展。尽管如此,目前对于免疫算法的研究只是处于起步阶段,理论研究和实际应用的深度还不够,而且免疫机理复杂,系统庞大,免疫学家对一些免疫现象也无法清楚的表述,而且免疫算法可以借鉴的成果也不多,所以免疫算法的研究存在着一定的困难。免疫算法和神经网络算法,进化算法一样都是模拟生物智能的算法,因此免疫算法的研究可以参照神经网络算法和进化算法的研究方法,借助其相关研究成果,这将是研究免疫算法的一个新方向。

5 结束语

目前关于计算智能的研究和应用处于蓬勃发展时期,其应用范围遍及各个科学领域。虽然计算智能是一门新兴的综合型学科,而且各种智能方法的发展历史也不是很长,但是其发展却是相当迅猛。当前除了对单一的算法进行研究和应用之外,很多学者开始对各种算法的融合进行研究,针对各个算法的特点,有目的的进行取长补短的算法综合。典型的融合方案有:人工神经网络与模糊逻辑、人工神经网络与免疫算法、人工神经网络与遗传算法、模糊逻辑与免疫算法、模糊逻辑与遗传算法和遗传算法与免疫算法[11]。融合之后的算法可以提高算法的性能,增强了算法的适应性,同时还克服了算法选择的盲目性。另外,还有学者提出了计算智能的新框架――生物网络结构,即神经内分泌免疫网络(NEIN, neuro-endocrine-immune networks)。它由人工神经网络(ANN)、人工内分泌系统(AES)和人工免疫系统(AIS)组成[8]。新框架的提出为人们研究其理论和应用技术提供了新平台。这些研究都为计算智能今后的发展指明了方向。

参考文献:

[1] 周春光,梁艳春.计算智能[M].长春:吉林大学出版社,2009:3-9.

[2] 韩力群.人工神经网络理论,设计与应用[M],北京:化学化工出版社,2007:16-18.

[3] 张仰森,黄改娟.人工智能教程[M].北京:高等教育出版社,2008:322-324.

[4] 王宏生,孟国艳.人工智能及其应用[M].北京:国防工业出版社,2009:139-141.

[5] 尹朝天.人工智能方法与应用[M].武汉:华中科技大学出版社,2007:169-175.

[6] 王磊,潘进,焦李成.免疫算法[J].电子学报,2000,28(7):74-78.

[7] 高家全,何桂霞,王雨顺.典型的人工免疫算法性能比较与分析[J].计算机工程与应用,2009,45(10):208-210.

[8] 丁永生.计算智能的新框架:生物网络结构[J].智能系统学报,2007,2(2):26-30.

[9] 罗熊,孙增圻.计算智能方法优化设计模糊控制系统:现状与展望[J].控制与决策,2007,22(9):961-966.

[10] 董聪,郭晓华.计算智能中若干热点问题的研究与进展[J].控制理论与应用,2000,17(5):691-698.

[11] 苏建元.智能计算主要算法的比较与融合[J].中国电子科学研究院学报,2007,2(1):52-56.

[12] 胡风新,郭红瑾,孙运芳.免疫算法理论及应用研究[J].计算机与数字工程,2009,37(7):46-49.

[13] 高彬彬,杨孔雨.免疫算法研究[J].计算机技术与发展,2009,19(7):249-252.

[14] 王煦法.遗传算法及其应用[J].小型微型计算机系统,1995,16(2):59-64.

[15] 席裕庚,柴天佑.遗传算法综述[J].控制理论与应用,1996,13(6):697-708.

模糊算法基本原理篇2

满意度

论文摘要：【目的J建立一种医院护理工作满意度的计算机辅助模糊综合评判法。[方法]根据护理工作满意度的调一．{r，。，、，，因素权数集和评判矩阵数据后，Excel 表格输出护理工作满意度的评价结果，该实例的满意度分析结果为基本满意。[结论]基于模糊数学综合评判的Excel表格程序，使医院护理工作满意度定量分析更具有实用性。

对于护理工作的满意度调查目前各医院多采用自制调查表进行，且多为直观统计法和基本满意率统计法til。建立科学、合理、严谨、量化的护理质量评价模型已成为急需解决的重要课题。模糊综合评判是利用模糊数学中的模糊运算法则将定性调查资料进行定量综合获得量化评价结果的数学模型。有关护理满意度模糊综合评判的复合运算方法通常采用“先取小、后取大”复合运算法(工法)[2]和矩阵相乘复合运算法(I}法)['sl。工法是一种“主因素决定型”的综合评判，U法是一种综合各方面信息的复合运算法。两种算法虽然简单，但在重复处理多层次多因素的满意度调查数据时计算过程仍较繁琐。MicrosoftExcel作为Microsoft Offi，办公软件的一个组件，具有强大的数据处理功能。笔者通过某医院的调查实例‘2了，编写基于模糊综合评判两种不同算法的Excel表格程序，期望通过Excel表格实时获得护理满意度的评判结果。

1方法

1. 1模糊综合评判的基本过程将评价目标(如护理工作满意度)看成是由多种因素组成的模糊集合，称为因素集U，如满意度由护理服务(u})、护理管理(ua)，护理技术(}z3)等3项指标构成因素集U;再设定这些因素的评价等级，组成评价的模糊集合，称为评语集V，如V- }}I，}?，}3}二{满意，基本满意，不满意};分别求出各单一因素对各个评价等级的归属程度，称为模糊关系矩阵R，然后根据各个因素在评价「J标中的权重分配(权重集A)，通过适宜的计算(模糊矩阵合成)，求出评价的定鱿解值。

1.2调查方法i?

1.2.1建立护理工作满意度的指标体系护理工作满意度由2个层次，即3项一级指标和1l项二级指标构成因素集U二设定第1层次因素集为U = d， ，u=，u3r，u!表示护理服务，Paz表示护理管理，l1;表示护理技术;第1层次各因素u由若干第2层次因素u。构成，即ui ={接待是否热情(uW >是否关心病人病情(u，-})，是否耐心解答病人提出的疑问( U13 ) f ， U2二{是否主动巡视病人病情(U2l)，护士是否坚持每日为病人整理床铺(U22)，病房是否保持安静(U23 )，病房是否整洁(U24)}，U3二}护士的操作技能是否满意( U31 )，护士对病人的指导方法如何(U32 )，护士对病人的指导效果如何( U33 )，对护士的治疗及护理是否放心( U34 )}。

1.2.2确定各指标权重层次分析法( Al-IF'法)确定各指标权重，第1层次因素权重集A-(at，a2，a3)=(0.33，0，27，0.40)，第2层次因素权重集A:二(0 .25，0.42，0.33)，气=(0.31，0一25，0. 25，0.19)，怂=(0.33，0.21，0.21，0.25)。

1，3调查数据山出院前对住院病人进行问卷调查，并统计各评价指标的满意、基本满意和不满意程度。如对utt指标，N个被调查者中有，i!个人认为满意， n2个人认为基本满意，n3个人认为不满意，则认为评价指标utt的满意、基本满意、不满意率分别为n1 /N ， n2 /N和n3 /1V。以此类推。见表1}

1.4数据处理

1.4.1工法运算过程及结果初级评判的模糊变换，有H}=Ai0Ri，场=人。Rz和巧=As0Rs(。为模糊算子)。经工法运算，得域={( 0. 25 /} 0. 25 ) V ( 0. 27 /}0.42) V (0.15/0.33)，( 0. 65 /} 0. 25 ) V(0.47/}0.42)V(0.70/}0.33)，(0.20/0. 25) V (0. 26 /} 0. 42 ) V ( 0. 15 /} 0. 33 )}二{0 .25V0.27V0.15，0.25V0.42 V0. 33，0.20V0 .26V0.15}~(0.27，0.42，0. 26) ( /}:表示取小，V:表示取大)，因0.27+0.42+0.26=0.95不等于1，故进行归一化，即B，=(0.27/.95，0.42/0.95，0.26/0.95)=(0.28，44，0.27);同理，得}z=10.42，0.42，16}，场0.31，0.40，0.09}。f3，、选、00次级评判矩阵，0.27，0.16，0.09、‘月弓，‘nU成 4 44

-:

0 CUO

..

构

O曰，‘

，‘4住马nU CU0.31了|少、.|l变换13=A0R的1法运算和归一化处理结果，得I}={0. 31，0. 40， 0. 29{。按最大隶属度原则，满意度的总体评价为“基本满意”。

1.4.2 II法运算过程及结果初级评判时，B，二A， 0 R，经II法运算，得b‑0. 25 x 0. 25十0. 27 x 0. 42+0. 15 x 0. 33=0.23，同理得b工:=0.59，b工3=0.18，bz工二0.71 ，bzz=().24 ， bz}=0. OS，b}，=0. 25、比z二0. 55 ，坊:二0. 19;构成次级评判矩，0，59，0，0.24，0，0.55.0二A“R

B、|‘|J18巧闪23 71250 CUOl，气11|

二

R

阵经n法运算和归一化处理，得B10.37，0.48，0.151。按最大隶属度原则，总的满意度评判结果为“基本满意”。

1.5表格程序设计

1.5.1原始数据输入打开MicrosoftExcel"sheetl”工作表，将单元格A1一G1合并，输入表题“护理满意度调查数据”;单元格A2一B2和单元格F2一(}2合并，在单元格A2一B2，C2，I}2，E2，F2一G2分别输入表头“评价因素”“满意”“基本满意”“不满意”和“权重系数”后，将单元格区域A3一AS，A6一A9，A10一Al3合并，分别输入护理服务(u工)、护理管理}uz)、护理技术(U3 )，在单元格B3一B13分别输入第2层次评价因素u工工、uiz ，ui3，uz工、比:" UZ3 . UZ4、比l、比:、U33和比4，在单元格区域C3一E5，(:6}E9和C10 }-E13分别输入U工1一U工3.U2工一U24和比工一u34在各评价等级范围内的满意度频数分布。在单元格区域F3一F13"G3一(s1 3分别输入各因素权重名称an "a}z..a} 3 ， a2 } " azz " az3 " a24 " a}} ， a32 " a33 " a34及其权重值，在单元格区域F15 -}- F17， GLS一G17分别输入各因素权重名称a} ，aZ，a3及其权重值。

1.5.2 I法复合运算的表格程序设计 在原始数据输入的基础上，将“sheetl "工作表的单元格A14一G14合并，并输入“先取小后取大复合运算结果”。利用F4功能键实现单元格的绝对引用、相对引用和混合引用之间的相互切换。

在单元格(C15输入二MAX(MIN(已，$Gp )，MIN(C4， $ G4)，MIN(C5， $US)

C16输入=MAX(MIN(C6，$G6)，MIN(C7，$CU7)，MIN( C8，$U8)，MIN(C9，$c}9 >

C17输入二MAX ( MIN ( C10，$G10)，MIN(('l l，$Ull)，MIN ( C12 ， $011 2 )，MIN(C13，$G13)

C18输人= C15 /SL M($ C'15:$ E15)，选定Cl8单元格，向下复制到C20单元格。

C21单元格输人=MAX ( MIN(C15，$G15)， MIN(C16，$G16)，MIN(C17， $U17)，C22单元格输入= C21 /SUM($C$21: $E$21)，选定(('15一C'22单元格区域向右复制到F:15 }- E22单元格区域，得表2结果，31%认为满意，40%认为基本满意，29%认为不满意。引用权数所在的单元格$CU3一$ (}17时采用混合引用的目的是简化单元格的公式编辑过程。

1.5.3且法复合运算的表格程序设计 在原始数据输入的基础上，A14一U14合并后输入“矩阵相乘复合运算结果”，在C15一E15单元格区域输入{=MMULT "I'RANSI'OSE(U3:GS)，C3:Es>f，即输入二MMLlLT TRANSPOSE( G3 : CUS ) ， C3 : ES )后同时按SHIF"I'十CI'RL+ ENTER即得;同理，在单元格区域(C16一E16，C17一E17分别输入卜MMUL1' TRANSPOSE(G6:C9)，C6:E9)}和{二MMLlI T TItA}NSI'06E((;f，即得表3结果，37%认为满意，48%认为基本满意，巧%认为不满意。

2讨论

根据最大隶属度原则，该医院护理满意度的总体评价为基本满意，尽管两种复合运算方法总的评判结果一致，但对护理管理的初级评判结果差别很大，I法(归一化后):42满意，42%基本满意，16%不满意;n法71%满意，24%基本满意，5%不满意。原因是从属于护理管理(u})的4个评价指标U? } . UZZ } 1123和U2、的满意度分别为67'} . 80 `X} . 67%和72'x) ，“取小”运算后有较高满意度的数据被“淹没”了，而该4个指标的“不满意”程度分别为0'} ，30/

等级数与因素个数应相近(如本文复合运算时R或Ri矩阵为3个评价等级和3或4个评价因素组成)，兼顾了评价集和因素集的信息，而且各指标某评价等级的满意度均高或均低也影响评判结果。因此，建议使用n法进行模糊综合评判的复合运算，除非具备使用工法的充分理由。

模糊算法基本原理篇3

关键词：高职院校；毕业实习；模糊综合评价；成绩评定

中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2016）13-0195-02

Abstract： Post practice is an important part of the vocational education. Post practice provides the opportunity for the students to adapt to the social in advance. When the students enter the social， they can adapt to the job soon and enhance the competitiveness. It is significant to evaluate the students' post practice performance reasonably and scientificly. Based on the fuzzy mathematical theory， this paper presents a fuzzy comprehensive evaluation model of post practice performance rating， establishes the evaluation membership function and weight vector and uses the fuzzy comprehensive method to rate the students' post practice performance. It is more scientific and reasonable， and reflects the reality better in the whole rating process.

Key words： Higher Vocational College； post practice； fuzzy comprehensive evaluation； performance rating

1 概述

近年来，在以职业素质教育为核心的高职教育中，毕业实习工作越来越受到教育部门的重视。教育部在《关于全面提高高等职业教育教学质量的若干意见》中指出“要积极推行与生产劳动和社会实践相结合的学习模式，把工学结合作为高等职业教育人才培养模式改革的重要切入点”、“加强教学评估，完善教学质量保障体系”。高等职业技术教育的职业属性要求高职学生必须具有较强的理论联系实际和综合技能等能力[1]。实习对于高校的学生来是非常重要的，它是区别于课堂教学的另一种学习方式，其重要性不亚于课堂教学，因为职业院校的特点就是要培养出有操作技能的优秀工作人员[2]。以就业为导向，积极做好毕业实习工作，对于树立学生的择业观、提高学生职业能力有着深远的意义[3]。实习教学工作涉及多方面人员的协作，在校内管理方面存在校内指导老师、辅导员和班主任几方共管的情况，因此实习评价管理就显得很重要，对学生毕业实习成绩做出公平、科学的综合评价十分必要。本文基于模糊数学原理，对学生毕业实习成绩进行模糊综合评价，建立一种更接近现实情况、更为合理公平的学生毕业实习成绩综合评价模型。

2 模糊综合评价基本原理

模糊综合评价法指的是综合考虑影响某事物的各种因素，使用模糊统计方法和模糊数学的理论，科学的评价该事物的优劣[4]，这是对受多种因素影响的事物做出全面评价的一种有效的多因素评价方法。传统的评价方法都是建立在均点集合论的二值逻辑基础上的，模糊数学方法则将二值逻辑扩展为模糊逻辑，克服传统评价方法评价模糊事物存在的缺陷，对不确定的信息用定量的方法进行处理。

对一个具体的问题进行模糊综合评价分析，采用以下方法和步骤：

1） 将所有影响因素组成因素集U = {，，…，}，m为因素数；

2） 将综合评价结果组成评价集V = {，，…，}，n然为等级数；

3） 建立从U到V的模糊关系，R是一个阶模糊关系矩阵，表示因素对应评价等级的隶属度，其中i =1，2， …，m和j =1，2， …，n；

4） 根据实际情况给出因素集U的模糊权向量 A = {，，…，}；

5） 计算得到模糊综合评价向量并做出模糊决策。在本文的算法中，模糊综合评价向量B由以下公式得到：

其中，，此式中，表示max算子，表示min算子，。即按先取小再取大进行矩阵合成计算，表示被评对象对第j个评价等级的隶属度；

6） 取，则得出评价等级为。

3 毕业实习成绩评价模型

根据模糊数学评价原理和评测目标，构建毕业实习成绩综合评价数学模型。

首先根据实际的实习教学要求，选取月报总结完成情况、实结完成情况、扩展类任务完成情况、问卷类任务完成情况、评价类任务完成情况、毕业论文完成情况、实习表现作为评价学生的7个评价指标，组成因素集U = {，，…，}；其次确定评价集V = {，，…，}，评价等级元素分别为优秀、良好、合格、基本合格和不合格；然后利用隶属函数的方法建立模糊关系矩阵R；最后根据各因素权重进行合成运算。根据实际的教学评估经验，建立的隶属函数如下：

将每个学生的成绩代入隶属函数，可以得到一个的模糊关系矩阵R。

依据教学侧重点和教学经验设定各因素的权重。在毕业生实成绩中，月报总结完成情况的影响度为10%，实结完成情况、扩展类任务完成情况、问卷类任务完成情况、评价类任务完成情况的影响度各为5%，毕业论文完成情况的影响度为40%，实习表现的影响度为30%。由此可得到因素集U的模糊权向量 A = {，，…，}={0.1，0.05，0.05，0.05，0.05，0.4，0.3}，再结合每个学生的成绩评价模糊关系矩阵R，根据上述模型的运算公式可得到每个学生的模糊综合评价向量B，取，即可得出该学生的评价等级为。例如为最大值，其对应的模糊综合评价等级为（即良好）。此外还可以根据需要，将评价向量B进行归一化处理，再通过对评价等级进行赋值获得具体的评估分数。

4 模型应用

传统的学生成绩评价只是从原始分数进行区分，而通过模糊综合评价法评定学生成绩可避免仅从原始分区分等级的不合理性。原始总分相同的学生，采用模糊综合评价方法后得到最终的评级等级可能不同。例如有学生甲和学生乙两位同学，每个因素的成绩和按传统方式计算得到的加权平均成绩如表1，这两人的加权平均成绩都一样。

根据上述隶属函数，学生甲、乙的成绩评价模糊关系矩阵R甲和R乙分别如下：

再根据模型公式可分别计算得到学生甲和乙的模糊综合评价向量B甲和B乙如下：

B甲 = {，，…，}={0.49，0.4，0.11，0，0}

B乙 = {，，…，}={0.47，0.53，0，0，0}

其中，对于学生甲，最大隶属度为=0.49，所以其模糊综合评价等级为，即优秀；对于学生乙，最大隶属度为=0.53，所以其模糊评价等级为，即良好。通过数据对比和分析可知，加权平均分相同的情况下，在所有高权重因素中整体得分情况较高的学生会显得更加优秀和突出，这样的模糊综合评价体现了所有高权重因素在实习教学中的重要性和均衡性。相比传统的加权平均评定法，模糊综合评价法侧重从高权重因素上整体评估成绩，满足了毕业实习成绩评定中各项因素的权重性和均衡性要求。由于此实例中只需要进行等级评定，不需计算具体的分数，所以不需要对模糊综合评价向量B进行归一化处理，也不需要对评价等级进行赋值。

5 结束语

本文基于模糊数学原理，提出了用于毕业实习成绩评定的模糊综合评价模型，使用该模型进行成绩评定，避免了仅从原始加权平均分区分成绩等级的不合理性。实例表明，原始总分相同的学生，在所有高权重因素中整体得分情况较高的学生会显得更加优秀和突出，成绩等级会更高。模糊综合评价法得出的结论有效体现了高权重因素在实习教学中的重要性和均衡性，使整个成绩评定过程更加接近现实情况、更为科学合理。

参考文献：

[1] 马琴.基于Web的高职学院顶岗实习管理系统的设计思考[J].电子世界，2013（22）：166.

[2] 吕款款.基于.NET的高校实习生信息管理平台设计与实现[D].厦门：厦门大学，2013.

[3] 刘伟鑫.基于B/S架构顶岗实习管理平台的设计与实现[D].广州：华南理工大学，2013.

模糊算法基本原理篇4

江西省电力试验研究院 邬 菲

Fang Youming Pan Xiao Wu Fe

摘 要：本文介绍了由PLC和单片机组成的工业锅炉模糊控制器。该控制器具有低成本、抗干扰能力强的优点，应用于工业控制现场，有着重要的现实意义。

关键词：单片机 PLC 通讯 模糊控制

AbstractThis paper introduces industrial boiler fuzzy controllercombined with PLC and single chip microcomputer．The controller has low cost and high capability of anti－jamming．It has a very important realistic signification for the application in industrial control worksite condition．

KeywordsSingle Chip Microcomputer PLC communication Fuzzy control

中图分类号TP273＋．4 文献标识码A 文章编号1606－5123200205－0027－02

1 前言

随着微电子技术和计算机技术的进步，可编程序控制器的功能也得到了突飞猛进的发展。在PLC组成的工业控制设备中，大多利用PLC的并行接口进行功能的扩展，这就要占用大量的I／O点。PLC的RS－232接口可以与单片机实现通信，就可充分利用单片机成本低、扩展方便的特点，使PLC应用更具灵活性。采用单片机与PLC组成的控制系统既具备单片机价格低、功能强的优点，同时又具备PLC抗干扰能力强的优点，适用于工业现场控制。

改进后的系统对输入信号采取分组分时采样，极大扩展了系统的容量。模糊算法在PLC中实现，控制性能良好。单片机无总线，系统抗干扰能力强。目前国内外还没有成熟的产品，因此，加强这方面的研究与开发非常必要。

2 系统特点

2．1 系统扩展性好

系统对输入信号采用分组分时采样，极大扩展了系统的容量。

2．2 系统可靠性高

PLC抗干扰能力强，且选用的单片机无总线，更加提高了整套控制系统的抗干扰能力。

2．3 显示界面直观、方便

整个系统的显示界面包括：水位显示、阀位显示、水位计右侧坏报警、水位计左侧坏报警、超压报警、泵B运行、泵A运行、送风机运行、引风机运行等。

2．4 组态灵活方便

对PLC采用梯形图的组态方式，通过CPT编程实现相应的保护联锁功能和控制算法，可进行在线编辑，系统组态灵活、修改方便。

2．5 系统结构简单可靠，便于安装维护

3 模糊控制理论

3．1 模糊控制理论的基本思想

对于一些常规方法难以控制的对象，有经验的操作人员进行手动操作，往往可以收到令人满意的效果。人的手动控制决策可以用语言加以描述，总结成一系列条件语句，即控制规则。根据控制的基本思想就是利用计算机来实现这些控制规则，而控制规则一般是由语言来表达的，这些语言表达又带有相当的模糊性。这些规则的形式正是模糊条件语句的形式，可以用模糊数学的方法来描述过程变量和控制作用的这些模糊概念及它们之间的关系，又可以根据这种模糊关系及某时刻过程变量的检测值，用模糊逻辑推理的方法得出此时刻的控制量。

模糊控制器的模型不是由数学公式表达的数学模型，而是由一组模糊条件语句的语言形式，模糊控制器又称模糊语言控制器。模糊控制器的模型是由带有模糊性的有关控制人员和专家的控制经验和知识库组成的知识模型，是基于知识的控制，因此模糊控制属于智能控制的范畴。

因此可以说，模糊控制是以人的控制经验作为控制的知识模型，以模糊集合、模糊语言变量以及模糊逻辑推理作为控制算法的数学工具，用计算机来实现的一种智能控制，模糊控制原理如图1所示。

3．2 模糊控制的特点

1 模糊控制的计算方法虽然是运用模糊集理论进行的模糊算法，但最后得到的控制规律是确定性的、定量的条件语句；

2 不需要知道被控对象的数学模型；

3 同传统的控制方法相比，更接近于人的思维方法和推理习惯。因此便于现场操作人员的理解和使用，便于人机对话得到更有效的控制规律；

4 模糊控制与计算机密切相关。从控制角度上看，它实际上是一个由很多条件语句组成的软件控制器。用二值逻辑的计算机来实现，模糊规律经过运算，最后还是进行确定性的控制。

4 控制系统原理框图

改进后的工业锅炉模糊控制器由SYSMAC CPM2A PLC和AT89C20512K8位FLASH单片机组成，该芯片没有总线，只有输入／输出端，使得系统的抗干扰能力得到很大的提高。

为了节省系统的投资，在PLC只有12个输入点的条件下，采用分组时采样的方法，将24个信号分两次采集，全部采集完成后，再进行主程序的控制和计算。工业锅炉模糊控制器原理如图2所示：

5 输入信号分时采样程序

6 结束语

本套工业锅炉模糊控制器充分利用了单片机和可编程控制器的特点，系统具备低成本、抗干扰能力强、控制性能良好等优点，且系统硬、软件维护简单方便，尤其适用于工业控制现场，具有广阔的应用前景。

参 考 文 献

1 SYSMAC CPM2A产品说明书．

2 SYSMAC CPM2A编程手册．

3 谢宋和编．单片机模糊控制系统设计与应用实例． 北京：

电子工业出版社，1999

4 冯冬青编著．模糊智能控制．北京： 化学工业出版社，

1998．9

5 张晓坤主编．可编程控制器原理及应用．西安： 西北工

业大学出版社，1999．12

6 郭宗仁等编著．可编程序控制器及其 通信网络技术．北

京：人民邮电出版社，1999．5

7 陈宁编．可编程控制器基础及编程技巧．广州： 华南理

模糊算法基本原理篇5

在企业经营业务预算中，成本预算是最基本的预算。在实际预算编制过程中，由于企业环境的不确定性以及成本管理基础工作薄弱等条件限制，使得企业成本预算管理陷入了“上下相互扯皮”的泥潭中。对此，本文将以“模糊管理”思想为指导，从而提出成本预算管理的新思路。

企业成本预算的模糊性：模糊管理思想的提出

在现实生活中，“模糊性”无处不在，比如，人的身高有高与矮之分，但高个与矮个的标准到底是多少呢？高、矮本身就是模糊的概念。从理论上讲，模糊性是一种描述的不确定性，它是事物在性态和类属方面的亦此亦彼性，也就是中介过渡性。事物的“一切差异都在中间阶段融合，一切对立都经过中间环节而互相过渡”，当两极对立的绝对性消失了，这就是本文所提出的模糊性。那么，该如何理解成本预算管理的模糊性呢？

首先，成本管理方法的精确性和可行性之间存在着矛盾，结果的精确性常常以方法的复杂性为代价。以产品成本计算为例。众所周知，产品成本计算是经过一系列归集分配过程而完成的，如原材料、人工等要素费用的分配，辅助生产和制造费用的分配等，在这些分配过程中，企业选用不同的分配方法，其产品成本的计算结果会存在一定的差异，最精确的计算方法往往是最复杂的。无论多么精确的方法，对处于不同环境、不同行业的企业会产生不同的效用。因此，科学的成本管理方法应是精确性和可行性兼顾的方法，如果把复杂的模糊的事物人为地精确化，这势必降低成本管理方法的可操作性。

其次，企业所生存的环境，可以说基本上是一个模糊的环境，企业在正常生产经营活动中，经常接触各种模糊事物和信息。因此，企业要实现费用预算的精确性管理也是不现实的，企业在实施预算管理时，还要综合考虑其具体情况，如生命周期发展阶段、行业竞争、企业文化等，成本预算的确定应以提高员工创造力、最大发挥企业创新能力和竞争能力为前提。

企业成本预算模糊管理的具体思路

成本预算的模糊管理与一般管理的最大区别在于其管理方法的特殊性。具体而言，它有以下特点：

（1）不是采用刚性的、事前规定的条条框框来限制和约束被管理对象，而是通过柔性的、伸缩性强的原则性要求来潜移默化地调节、影响被管理对象的行为规范。

（2）通过系统整合实现人本管理及其管理目标。这里的系统整合是指在一定的理论指导下，利用技术手段，充分了解管理过程或管理阶段发展变化特征，然后综合运用定量及定性分析方法，对管理过程的性质、发展变化作出判断，并形成相应的应对办法。

（3）采取适用于复杂管理的方法论来进行成本预算管理。其管理方法特点为：一是非优化，即成本预算管理方法不以追求最优化和最高效率为基本原则，而是在吸取科学管理确定性原则和理性的前提下，将不确定性引入成本管理范畴中，使管理更符合客观实际。二是非规范化，即力求使员工在更大的空间，以更大的自由度从事创造性的生产经营活动。

笔者认为，坚持成本预算的模糊管理，企业当务之急应注意做好以下工作：

一是以人本管理为核心做好成本预算编制工作。人是根本，一切管理工作的各个环节都要由人去掌握和操作，管理活动的各项职能，管理目标的实现都要通过人的活动来落实，离开了人，管理活动就会失去存在的基础。因此，成本预算管理的关键在于充分发挥人的主观能动性，实行人本管理。在预算编制过程中，上下级预算方案存在差异是不可避免的，这就需要企业按照模糊管理思想要求，对于偏差较大的下级预算方案重点审视其准确性，对于偏差较小的下级预算方案则采取灵活处理的方式予以解决，从而提高下属单位执行预算的积极性。正如某cfo所提及：如果能将企业利润大幅度提高，我欣然接受成本费用预算金额提高的现实。

二是建立柔性管理与刚性管理相结合的成本预算管理模式。就成本预算管理体系而言，企业应以柔性管理为主体。这就要求企业根据具体环境特点使成本预算体制的设计符合企业的实际情况，比如在市场状况不稳定的情况下，企业的制造费用预算可以考虑采用弹性预算的方法；鉴于未来经济活动的不确定性，企业还可以将成本短期预算与长期预算相结合；为避免在成本预算执行过程中的短期行为，企业可以考虑采用滚动预算方式，每过一个月，立即在期末增列一个月的预算，逐期向后滚动，因而在任何一个时期都能使预算保持12个月的跨度等。就企业成本预算管理分解、落实责任指标而言，企业应强调刚性控制，特别是月度执行预算，应以刚性管理为主。

三是将模糊思想融入成本预算管理目标中。企业成本管理的目的是降低成本费用，提高经济效益，为达到这一目的，企业必须设置成本预算管理目标。成本预算管理目标的模糊管理已体现为两点：

（1）成本预算管理目标确定中的模糊管理。预算的编制是配合企业的成本管理目标而进行的，它的科学与否取决于成本管理目标的制订，因而企业要考虑市场因素，制订切实可行的目标。一般而言，管理目标是定性目标与定量目标的结合，对于定性目标，企业是不可能实现精确管理的，需要借助于综合、分析、类比、借鉴、假设等模糊性思维来实施。即借鉴模糊管理方法非规范化特点，预算标准不可过严，要给员工一定的自由度，激发其劳动积极性及其创造力。

模糊算法基本原理篇6

镜头的旋转运动则造成了旋转运动模糊图像。旋转运动模糊图像是空间移变运动模糊,即模糊程度与象素点所处位置有关，离旋转中心越远，模糊程度越厉害。一般主要分为两大类恢复方法：1)坐标变换法。 Sawchuk等[9]-[10]提出了一种基于几何坐标变换的方法，即将旋转运动模糊图像转化到极坐标系下，使得变换后的图像是空间移不变运动模糊，因此可以用相应移不变的恢复算法进行处理后，反转变回直角坐标系。洪汉玉[11]采用bresenham画圆算法直接在圆形模糊路径上用坐标不变的恢复算法恢复，省却了来回转换的计算误差;2)接恢复法：Calvetti 等 [12]使用广义最小余差方法(generalized minimal residual (GMRES)通过求解大型线性方程来解决。Nagy[13]联合使用多个空间移不变PSF插值合成空间移变PSF，从而进行恢复处理。最近的有Qi Shan[14]使用透明地图的概念(Transparency Map)通过最小化能量函数来迭代求解。上述方法中大部分都是默认PSF已知的情况来进行恢复处理的。只有Qishan[14]提出透明地图的概念来迭代求解PSF，准确率比较高，但需要用户的干预。

1.2 模糊参数的检测

霍夫变换是检测圆的常用方法，但由于标准的霍夫圆[1]检测算法采用的是三维参数空间，且随着所检测的圆的数量的增加，相应运算的时空开销很大，而许多关于霍夫变换的改进算法或者需要利用圆的水平或垂直方向的对称性质，或需要预先确定半径的范围来检测圆，抑或只适合检测较完整的圆而非圆弧段，对该文所述情况均不适用。因此，该文对霍夫变换算法进行改进，利用圆的几何性质介绍一种快速且能准确检测圆心的算法，其主要思想是：

如图2所示，分别对弦AB,BC作其中垂线MO，NO，因为圆弧对应弦上的中垂线必经过圆心，所以点O必为圆心。设参数空间为与图像映象的二维空间，对应原图像中每一段圆弧上每段弦的中垂线经过处，在参数空间相应位置进行累加，从而得到参数空间的统计分布。如果同心圆弧的数量占绝大多数，且这些同心圆弧对应弦上的中垂线均只相交于一个圆心，则参数空间中峰值点对应的坐标即为同心圆弧的圆心所在。具体步骤如下：

3 结束语

该文提出一种基于使用Hough变换检测旋转点，并将旋转运动模糊图像通过坐标变换转变为平移运动模糊图像的算法。此算法的解决难点在于：旋转中心的检测。物体的运动轨迹受噪声以及背景的影响，圆弧段往往不能清晰呈现，因此，必须先经过边缘检测，提取这些圆弧段。同时，物体本身的线条如果呈现出过多的圆弧段，以及旋转角度过小时，都有可能干扰Hough变换对同心圆的圆心的检测。该文今后的工作将着重于将振铃效应消除的算法应用于旋转运动模糊图像的恢复。

参考文献：

[1] Gonzalez R C, Richard E.Woods.数字图像处理[M].阮秋琦,阮宇智,译.2版.北京:电子工业出版社.2003.

[2] Castleman K R.Digital Image Processing[M].朱志刚,林学闫,石定机,译.北京:清华大学出版社,1998.

模糊算法基本原理篇7

关键词：电力系统；负荷预测方法；电力负荷

中图分类号：TM714 文献标识码：A 文章编号：1009-2374（2013）32-0114-02

1 电力负荷预测综述

负荷预测的前提是充分考虑关键系统参数、自然环境、社会政策和增容决策等条件，探索出一套能够科学处理过往数据、有效预测未来数据的数学算法，并保证预测结果只在小范围内波动，确定某些特殊时刻的负荷值。根据预测期限，负荷预测分为超短期预测、短期预测、中期预测和长期预测。

2 电力负荷预测方法综述

2.1 人工神经网络

人工神经网络属于高度非线性系统，它模仿人脑神经系统进行自主学习和问题处理。人工神经网络有很多神经元节点，它们具有并行运算功能，互相之间由相应权值连接以构成网络，借助激励函数，实现输入变量序列到输出变量序列之间的非线性映射。人工神经网络对非线性、非结构性、模糊性规律的适应性很强，具有良好的记忆功能、鲁棒性、映度以及完备的自学习能力，这也使得该技术成为近年来负荷预测领域的研究重点。有学者采用地柜人工神经网络系统预测某地区电力负荷短期情况，借助梯度下降算法，大大提高收敛速度，仿真结果表明，该方法收敛速度和运算结果相比传统方法有很大提升。但是，典型人工神经网络也存在学习参数设置不便、收敛缓慢、运算量大、网络结构模糊等弊端。有研究在相关论文中针对BP算法陷入局部极小的问题进行了讨论，并提出了相应的解决方案。另外，神经网络如能结合遗传算法增强全局搜索能力，加强局部寻优能力构成遗传神经网络，则能进一步加快运算速度，提高结果准确性。采用神经网络进行电力系统负荷预测时，网络输入变量的选择是一个关键点，为了优化变量甄选，有人提出使用模糊粗糙集理论先对信息进行预处理；以此算法结果作为BP网络的预设变量开展训练。该方法将历史时间序列、外部气象条件等各种因素都考虑在内，为寻找神经网络输入变量提供了一种新思路。同时，规避了因为输入变量规模过于庞大而引起的网络拓扑结构复杂、收敛速度慢等缺陷。相关的实验表明，该方法行之有效。

2.2 模糊预测法

该方法基于模糊理论，先行分析过往的工作经验、历史数据，以一种规则的形式呈现出来，并抽象出可在计算机上运行的机读代码，进而展开各种计算工作。模糊预测法能够很明确地描述专家意图，对电力系统中不规则现象进行描述，很适用于中长期电力负荷预测；但模糊预测法学习能力差，极易受到人工干扰。模糊理论应用于电力负荷预测时，有三种常见数学模型，即：指数平滑过渡法、线性回归法、聚类预测法，三种数学模型各有千秋，它们的预测精度都很高，相比传统算法测量误差也小得多。有研究表明，基于最佳聚类F选优法的改进型模糊聚类电力负荷预测算法，在计算年度用电量时，预测结果很准确。有部门基于该算法对增城地区2005年和2010年的年度用电量进行预测，结果与实际测量相差不大。神经网络与模糊逻辑算法组合使用，相比单一神经网络算法，充分利用了神经网络强大的学习功能，又洗去了模糊逻辑主观经验方面的劣势，考虑了温度变化和节假期对系统负荷的影响，能够提高负荷预测结果准确度，特别是对周末和节假期负荷预测很有效。也有学者通过RBF试图寻找负荷变化的一般规律，结合模糊理论计算负荷尖峰值和低估值，一定程度上解决了负荷影响因素不明确的问题。该方法充分利用了神经网络和模糊推理理论在处理不确定参数方面的独到之处，很好地改善了预测精度。

2.3 数据挖掘

顾名思义，数据挖掘就是从浩如烟海的数据中挖掘出隐含信息，并尽力将其表述为直观易懂的形式。在处理大数据、剔除冗余信息方面优势很大。决策树、神经网络、关联规则、聚类分析、统计学模糊集、粗糙集在各领域的数据挖掘工作中得到了重要应用。有人根据数据挖掘过程中时间序列的相似性原理，研究电力负荷预测方法，获得了很好的应用效果。基于最优区间划分和单调递减阈值函数聚类法，结合KOHONEN网绘制负荷变化曲线，修正死区数据。也有学者利用数据挖掘技术的结果作为向量机训练样本，减少了数据处理规模，提高了预测速度和运算精度。

2.4 专家系统

专家系统加入了人类探索自然过程中的知识经验，模拟人类思维决策过程，求解问题的过程类似于人类专家的思维模式。专家系统比模糊预测法优越的一点是，给出相当于专家水平的量化计算机语言，转化了人类难以量化的经验数据，透明性和交互性极佳，并能给出结论的对应缘由，方便工程人员检查推理过程是否存在错误，并及时更正。由于算法相对复杂，运行速度较慢，学习能力也一般，无法较好地处理模糊数据，对规则很依赖，普适性较差，不能推广到所有系统。有文献分析认为，专家系统可以准确预测中长期负荷，要考虑原始数据预处理、冲击负荷影响、负荷周期等因素，保证负荷预测精度，并尽量贴近生产实际需要。专家系统的模糊推理规则形式决定了规则数目，合理的推理规则能够简化运输，也为人工总结专家经验并优化规则提供了可能性，提高了算法速度。有学者在普通专家系统的基础上研发了基于案例推理的经验导向型专家系统，相关实验结果证明该方法获取知识较为简洁、记忆能力好、用户界面友好，在实用性方面优于规则专家系统和人工神经网络技术。也有工程人员结合径向基神经网络专家系统，并基于该模型开发出数学运算软件，在西北电网得到了应用，该方法比BP神经网络的预测精度更高、实用性更好。

2.5 支持向量机

SVW基于统计学理论，在有限样本前提下，提出满足VC维理论和结构风险最小化原则的机器学习规律，通用性好、全局最优、计算速度快。但要依赖经验确定初值和核心运算函数，受人为因素影响较大。而且，对模糊现象的描述能力一般，模型误差会导致收敛值与实际值相去甚远。蚁群优化算法能够对其进行优化，在短期负荷预测中效果甚佳。经过大量实践，最小二乘支持向量机回归算法，很适用于短期负荷预测，借助不同时刻的样本训练，以最优线性回归函数为算法依据，在尽可能减小负荷样本点漂移的基础上，又缩小了泛化误差上限，具有较好的前瞻性。还有人将模糊回归法植入支持向量机模型，不仅提升了预测精度，而且提供了更多运行信息。

3 结语

本文对常见的智能预测技术进行了全面分析。我们不难看出，单一负荷预测法很难满足实际要求，应该结合地区状况选择方法组合，唯有如此才能取得更好的电力预测效果，这也意味着组合预测将势必成为以后的研究热点。

参考文献

[1] 段玉波，曲薇薇，周群，张彦辉.应用递归人工神经网络预测电力短期负荷[J].佳木斯大学学报（自然科学版），2010，（3）.

[2] 陈灿，刘新东.一种新的电力系统短期负荷预测方法[J].软件导刊，2010，（7）.

模糊算法基本原理篇8

关键词：模糊C-均值聚类 储粮害虫 图像分割

中图分类号：TP391.4 文献标识码：A 文章编号：1007-9416（2014）02-0092-01

粮食的安全储藏问题是个世界性难题。据联合国粮农组织的调查统计，全世界每年粮食霉变及虫害等损失为粮食产量的8%[1]。因此，搞好粮食储藏，进行储粮害虫的治理非常重要。检测粮虫有分离和识别两个步骤。粮虫是运动的小目标对象，对其进行图像分割是图像处理和分析的关键，这直接影响到粮虫的特征提取和分类识别的结果。基于模糊C-均值聚类的粮虫图像分割效果较好。

实际应用中获取的图像常存在模棱两可的像素点，这些点似乎既可以划分到这一类又可以划分到另一类，而模糊数学最大的优势就是处理这种模糊状况，因此国内外许多学者将模糊理论应用到图像分割中，取得了较好的效果[2，3]。

模糊C-均值（Fuzzy C-Means，FCM）算法是一种被广泛使用的基于目标函数优化的无监督模糊聚类方法，它无需训练样本，通过迭代执行分类算法来提取各类的特征值。

1 模糊C-均值聚类算法基本原理

设数据集是n个样本组成的样本集合，c为预定的分类数目，为每个聚类的中心，是第个样本对于第类的隶属度函数。用隶属度函数定义的聚类损失函数：

当算法收敛时，即得到各类聚类中心和各个样本点对于各类的隶属度值，从而完成了模糊聚类划分。

2 实验结果

基于模糊聚类的储粮害虫图像分割算法实验结果如图1.2所示。

从实验结果可知，模糊C-均值聚类分割算法效果较好，但算法执行时间较长。可进行图像分割的算法不止一种，不论采用哪种方法进行图像分割，目的都只有一个就是使分割效果更好，但任何一种方法都不能在理论上给予保证。所以，在应用中要结合实际情况，选择适当的算法才能使分割结果令人满意。

3 结语

粮虫图像分割是粮虫在线检测的关键部分。对于目标较小的粮虫数字图像，基于模糊C-均值聚类算法的图像分割得到的结果令人满意，为进一步准确提取粮虫特征和分类识别奠定了良好基础。

参考文献

[1]黑龙江省大豆协会.我国粮食储藏的现况及发展趋势.http：//.cn/news/index.php？id=1163.

[2]J C Bezdek.Pattern recognition with fuzzy objective function algorithms[M].New York：Plenum，1981.